《Advances in Engineering Software》:A physics-guided generative framework for parameter-conditioned seismic damage visualization of bridge piers
编辑推荐:
•一种物理引导的条件生成对抗网络(CGAN)可为钢筋混凝土桥墩生成损伤图谱。•结构参数与地震需求被编码为连续的条件向量。•损伤描述指标可量化配筋对抗震设计的作用。引言钢筋混凝土(RC)桥梁是地震活跃区域交通生命线系统中的关键组成部分。桥梁的抗震性能在很大程度上取决于其桥墩的损
- •
一种物理引导的条件生成对抗网络(CGAN)可为钢筋混凝土桥墩生成损伤图谱。
- •
结构参数与地震需求被编码为连续的条件向量。
- •
损伤描述指标可量化配筋对抗震设计的作用。
引言
钢筋混凝土(RC)桥梁是地震活跃区域交通生命线系统中的关键组成部分。桥梁的抗震性能在很大程度上取决于其桥墩的损伤状态[1,2]。因此,快速可靠地评估桥梁损伤,尤其是震后桥墩损伤,对于应急响应、修复决策以及基于性能的抗震设计至关重要[3,4,5]。在系统层面,大跨度桥梁结构在空间变化地面运动下的地震脆弱性和韧性评估也受到了广泛关注[6]。在桥墩层面,基于定量位移角阈值的多层次损伤状态框架已建立,以支持基于性能的抗震设计[7]。除地震引起的损伤外,长期暴露于恶劣大气环境中还会导致桥墩产生随时间变化的退化,显著改变其在不同生命周期阶段的抗震性能特征和破坏模式[8]。这进一步凸显了全面评估桥墩抗震性能的复杂性。目前,此类评估主要通过人工检查、数值模拟和实验室试验来进行,每一种方法都有其实际挑战。人工检查耗时长、劳动强度大且具有主观性。数值方法(如推覆分析和非线性时程分析[9,10])可以提供结构性能的定量度量,但它们与真实结构中肉眼可见的损伤模式并无直接关联[11]。实验室试验可以提供损伤演变的宝贵物理证据,但通常仅限于缩尺试件和离散加载工况,导致尺寸效应以及对任意参数组合下全尺寸结构的适用性有限。
为克服上述局限,基于深度学习的方法[12,13]已被广泛应用于结构损伤识别,在准确性和效率方面均取得了显著改进[14,15,16,17,18]。
这些方法已被应用于混凝土结构裂缝检测[19]、基于振动的结构健康监测[20,21]以及裂缝几何特征的定量表征[22],近期综述研究对此进行了总结[23]。在桥梁检查中,深度学习也被用于桥面构件表面多类别损伤的自动检测[24]。有限元推导的损伤场也被转化为图像,用于基于卷积神经网络的损伤分类和定位[25],而计算机视觉技术则被用于量化震后损伤钢筋混凝土柱的刚度退化[26]。然而,这些数据驱动方法的性能高度依赖于大量且标注良好的图像数据集,对于钢筋混凝土桥墩的地震损伤而言,这类数据集尤其难以获取。这是因为每个标注样本通常需要昂贵的循环加载试验或详细的非线性有限元(FE)分析。为缓解这一问题,研究人员已探索合成和半合成损伤图像来扩充稀缺的标注数据集。例如,Aung等人[27]使用3D引擎合成数据来增强结构损伤识别,而Dondi等人[28]则通过对真实建筑和桥梁的3D模型施加人工损伤来生成半合成损伤图像。在此背景下,生成对抗网络(GANs)被提出作为一种有效的生成逼真合成数据以扩充稀缺结构损伤数据集的方法[29,30,31]。
自GANs被提出作为学习复杂数据分布的框架以来,大量基于GAN的方法已被开发用于图像生成任务。在这些变体中,条件生成对抗网络(CGANs)[32]通过将辅助信息纳入生成器和判别器,实现了可控生成。在土木工程领域,GANs已被广泛应用于混凝土损伤图像的合成[33,34,35,36]。Li和Zhao[37]对多种CGAN架构进行了基准测试,用于合成混凝土裂缝和剥落,结果表明pix2pixHD在高分辨率合成和增强下游检测网络方面表现最优。Li等人[38]进一步提出了DamageGAN-AE,其中引入了一种带有坐标注意力的卷积编码器,以实现可控的多风格损伤合成。为了捕捉损伤演化,Qi等人[39]开发了Damage-T GAN,一种基于Transformer的模型,旨在通过生成钢筋混凝土梁时间一致的损伤图像来捕捉损伤演化。对于桥墩,Wu等人[40,41]提出了CGANRC,该模型仅使用110张循环加载图像进行训练,并采用损伤指标作为数值标签来预测超出训练集范围的损伤状态。这些研究表明,将生成模型与物理性能指标相结合为结构地震损伤的智能预测提供了有前景的方法。
除了纯数据驱动的生成方法外,物理引导的深度学习已经证明,将物理知识嵌入神经网络可以提高准确性和泛化能力。例如,Zhou等人[42]和Guo等人[43]开发了物理引导的深度学习模型,将结构动力学直接纳入网络架构,实现了实时地震响应预测,其计算效率显著高于有限元分析。Zhai等人[44]提出了一种数据与物理联合驱动框架,以更高的效率准确预测二维应力-应变场,而Bolandi等人[45]将物理约束嵌入卷积神经网络,用于预测受损结构构件的应力分布,作为反复有限元分析的高效替代。近期研究进一步将该思路拓展至结构动力学模拟、多性能结构健康评估以及有限数据条件下的地震时程预测[46,47,48,49]。基于这一趋势,融入工程约束的CGANs也已被拓展应用于结构设计和损伤评估领域。Jia等人[50]提出了PileGAN,用于在地质和规范约束下端到端设计桥梁单桩布置方案。Aalaei等人[51]开发了一种图约束CGAN,用于自动生成建筑布局。Zhai等人[52]建立了一个双向数字孪生框架,实现了结构损伤状态与可见损伤模式之间的映射。尽管取得了上述进展,专门针对钢筋混凝土桥墩地震损伤的生成模型仍面临若干局限。首先,其条件输入通常局限于有限数量的离散试件配置。其次,当考虑物理知识时,通常通过训练数据或标签来引入,而非在对抗学习过程中强制执行。因此,现有模型是否能够对训练中未明确包含的设计参数组合生成物理一致的损伤模式仍不明确。
为克服上述局限,本文提出了一种物理引导的条件生成对抗网络(PG-CGAN),用于钢筋混凝土桥墩的地震损伤可视化。该框架在以下方面推进了连续、物理一致的损伤生成。四个控制参数——即长细比(λ)、纵筋配筋率(ρ?)、箍筋配筋率(ρw)和位移角——被编码为一个归一化的条件向量,使生成器能够在结构设计空间中平滑插值。物理一致性通过在对抗训练过程中直接引入多任务回归判别器来促进,该判别器同时对真实样本和生成样本执行对抗判别和四参数回归,从而通过物理信息反馈将参数预测与图像生成耦合起来。为使生成的图谱具有定量可用性,定义了视觉损伤指数(Ivd)以及三个形态描述指标(Hd、He、C),用于直接从轮廓图中表征损伤严重程度和延性破坏形态。综合这些组件,该框架提供了一个快速的参数化评估工具,可补充非线性有限元分析并支持基于性能的抗震设计。
章节摘要
方法论
本节介绍了所提出的PG-CGAN框架的方法论。该框架旨在建立结构设计参数与地震损伤模式之间连续、物理一致的映射,从而在设计阶段快速评估给定设计方案的地震损伤分布。本节其余内容按照所提出PG-CGAN框架的逻辑发展组织,从整体概念和数据准备到模型
实现细节
本节介绍了所提出PG-CGAN的数据预处理流程和训练设置。在数据准备阶段,首先按横向位移角升序对每个试件的图像进行排序。然后采用系统间隔采样将其划分为训练集、验证集和测试集,比例分别约为70%、20%和10%。这一策略确保每个子集尽可能均匀地覆盖完整的位移角范围。由于
基于参数搜索的抗震设计应用
本节展示了所提出PG-CGAN框架在基于性能的抗震设计中的应用。第4.1节介绍了基于该模型的设计筛选流程,第4.2节通过案例研究说明了其具体应用。
结论
本研究提出了一种PG-CGAN框架,用于钢筋混凝土桥墩的地震损伤可视化。通过结合连续参数编码与多任务回归判别器,所提出的框架在结构设计参数与损伤模式之间建立了连续且物理一致的映射。此外,还开发了一套参数化评估流程,以支持基于性能的抗震设计。主要结论总结如下:
CRediT作者贡献声明
Jian Zhong(钟坚):监督指导、软件、方法论、基金获取、形式化分析、数据管理、概念构思。Honghao Xing(邢浩浩):初稿撰写、可视化、软件、形式化分析、数据管理。Tao Yang(杨涛):审阅与编辑、方法论。Hao Wang(王浩):审阅与编辑、软件、方法论、形式化分析、数据管理、概念构思。Xiaojie Zhu(朱晓杰):审阅与编辑。
致谢
本研究受国家自然科学基金(52578577)资助。
Jian Zhong|Honghao Xing|Tao Yang|Hao Wang|Xiaojie Zhu